AI 术语通俗词典：轮廓系数

轮廓系数是机器学习、聚类分析、无监督学习和人工智能中非常常见的一个术语。它用来描述：一个样本被分到当前簇中是否合适，以及不同簇之间是否分得清楚。 换句话说，轮廓系数是在回答：聚类结果到底是“簇内相似、簇间分离”，还是只是把样本勉强分成了几组。

如果说聚类算法回答的是“这些样本可以分成哪些组”，那么轮廓系数回答的就是“这些组分得好不好”。因此，轮廓系数常用于 K 均值聚类、层次聚类、DBSCAN、聚类模型评估、聚类数量选择和无监督学习结果分析，在人工智能中具有重要基础意义。

一、基本概念：什么是轮廓系数

轮廓系数（Silhouette Coefficient）是一种用于评价聚类结果质量的指标。

它同时关注两个方面：

• 簇内相似性：一个样本是否靠近自己所在簇中的其他样本

• 簇间分离性：一个样本是否远离其他簇中的样本

对于一个样本 i，轮廓系数通常记为：

它的取值范围是：

其中：

• s(i) 接近 1，说明样本 i 很适合当前簇

• s(i) 接近 0，说明样本 i 位于两个簇的边界附近

• s(i) 接近 -1，说明样本 i 可能被分错了簇

从通俗角度看，轮廓系数可以理解为：一个样本对自己当前“归属小组”的满意程度。

如果一个样本离自己组内成员很近，又离其他组成员很远，那么它的轮廓系数就高。

如果一个样本离别的组更近，说明它可能被分错了，轮廓系数就可能为负。

对于整个聚类结果，通常会计算所有样本轮廓系数的平均值：

其中：

• n 表示样本数量

• s(i) 表示第 i 个样本的轮廓系数

• S 表示整体平均轮廓系数

整体平均轮廓系数越高，通常说明聚类结果越清晰。

二、为什么需要轮廓系数

轮廓系数之所以重要，是因为聚类任务通常没有真实标签。

在分类任务中，我们可以把预测标签和真实标签进行比较，例如计算准确率、精确率、召回率或 F1 值。

但在聚类任务中，很多时候没有真实类别。模型只是根据数据自身结构，把样本分成若干组。

这时就会出现一个问题：模型虽然分出了几类，但分得是否合理？

例如，K 均值聚类可以把数据分成 K 个簇。

但 K 取多少才合适？

• K = 2 是否太粗？

• K = 3 是否刚好？

• K = 8 是否分得太碎？

只看聚类算法输出的标签，很难判断结果好坏。

轮廓系数提供了一种不依赖真实标签的评估思路：

如果聚类结果好，那么同一簇内的样本应该更接近，不同簇之间的样本应该更远。

从通俗角度看，好的聚类应该像自然形成的几个小团体：

• 每个小团体内部成员彼此相似

• 不同小团体之间差异明显

• 边界样本较少

轮廓系数正是用来衡量这种结构是否清晰。

三、轮廓系数的核心公式

计算轮廓系数时，需要先定义两个距离量：

• a(i)：样本 i 与自己所在簇中其他样本的平均距离

• b(i)：样本 i 与最近其他簇中样本的平均距离

1、a(i)：簇内平均距离

a(i) 表示样本 i 与同一簇中其他样本之间的平均距离。

可以理解为：样本 i 和自己组内成员有多接近。

如果 a(i) 很小，说明样本 i 和自己簇内的样本很接近。这通常是好现象。

2、b(i)：最近其他簇的平均距离

b(i) 表示样本 i 到最近的其他簇的平均距离。

更准确地说，要先计算样本 i 到每一个其他簇的平均距离，然后取其中最小值。

可以理解为：样本 i 离最近的外部小组有多远。

如果 b(i) 很大，说明样本 i 离其他簇较远。这通常也是好现象。

3、样本轮廓系数公式

样本 i 的轮廓系数定义为：

其中：

• a(i) 表示样本 i 的簇内平均距离

• b(i) 表示样本 i 到最近其他簇的平均距离

• max(a(i), b(i)) 表示 a(i) 与 b(i) 中较大的那个值

这个公式的核心含义是：

如果 b(i) 明显大于 a(i)，说明样本更接近自己簇、远离其他簇，聚类效果好。

从通俗角度看：

• a(i) 越小越好，因为样本应靠近自己簇

• b(i) 越大越好，因为样本应远离其他簇

• b(i) − a(i) 越大，说明归属越清楚

因此，轮廓系数本质上是在比较：

样本离自己簇有多近，离最近其他簇有多远。

四、如何直观理解轮廓系数

轮廓系数最核心的直觉是：

一个样本应该更像自己簇中的样本，而不是更像其他簇中的样本。

假设一个样本 i 属于 A 簇。

如果它和 A 簇内部样本很接近，同时离 B 簇、C 簇都比较远，那么说明它的归属很明确。这时：

并且二者差距较大，所以 s(i) 接近 1。

如果它离 A 簇和 B 簇差不多远，说明它可能处在两个簇的边界附近。这时：

所以 s(i) 接近 0。

如果它离 B 簇比离 A 簇还近，说明它可能被错分到了 A 簇。这时：

所以 s(i) 会小于 0。

从通俗角度看，轮廓系数像是在问样本：

你和现在这个组的人更熟，还是和隔壁组的人更像？

如果样本和自己组更像，轮廓系数高；

如果样本和隔壁组更像，轮廓系数低甚至为负。

五、轮廓系数的取值含义

轮廓系数的取值范围是 -1 到 1，不同区间有不同含义。

1、接近 1：聚类效果较好

当 s(i) 接近 1 时，说明：

• 样本 i 与自己簇内样本距离较近

• 样本 i 与其他簇距离较远

• 该样本归属比较明确

从通俗角度看：这个样本待在当前簇中很合适。

2、接近 0：样本位于簇边界附近

当 s(i) 接近 0 时，说明：

样本 i 到自己簇的距离和它到最近其他簇的距离差不多。

从通俗角度看：

这个样本有点模糊，放在当前簇也可以，放到隔壁簇似乎也说得过去。

这类样本常出现在簇与簇之间的边界区域。

3、小于 0：可能被分错簇

当 s(i) 小于 0 时，说明：

也就是说，样本 i 离最近其他簇比离自己当前簇还近。

从通俗角度看：这个样本可能被分错了组。

如果一个聚类结果中有大量样本轮廓系数为负，通常说明聚类效果不理想，或者聚类数量、距离度量、特征处理存在问题。

4、整体平均轮廓系数

实际评估时，通常使用所有样本轮廓系数的平均值：

一般来说：

• S 越接近 1，聚类结构越清晰

• S 接近 0，说明簇之间边界不明显

• S 小于 0，说明聚类结果可能较差

但要注意，轮廓系数只是一个参考指标，不应机械地作为唯一判断标准。

六、轮廓系数与聚类数量选择

轮廓系数常用于选择聚类数量 K。

以 K 均值聚类为例，K 是需要人为指定的超参数。

不同 K 会得到不同聚类结果。

常见做法是：

• 尝试多个 K 值

• 分别训练 KMeans 模型

• 分别计算平均轮廓系数

• 选择平均轮廓系数较高且业务上合理的 K

例如：

• K = 2，平均轮廓系数 = 0.42

• K = 3，平均轮廓系数 = 0.57

• K = 4，平均轮廓系数 = 0.49

• K = 5，平均轮廓系数 = 0.46

从指标看，K = 3 可能更合适。

但需要注意：轮廓系数最高的 K，不一定就是业务上最合理的 K。

例如，在用户分群中，K = 2 的轮廓系数可能较高，但只分成“两类用户”可能过于粗糙；

K = 5 的轮廓系数略低，但能提供更细的业务洞察，可能更有用。

从通俗角度看：

轮廓系数可以帮助判断聚类是否清晰，但最终 K 的选择还要结合任务目标。

因此，选择 K 时通常要同时考虑：

• 平均轮廓系数

• 簇大小是否均衡

• 聚类结果是否可解释

• 是否符合业务需求

• 可视化结果是否合理

七、轮廓系数的优势、局限与使用注意事项

1、轮廓系数的主要优势

轮廓系数最大的优势是：不需要真实标签。

这非常适合聚类任务。因为聚类通常属于无监督学习，很多场景本来就没有标准答案。

其次，轮廓系数同时考虑了簇内紧密程度和簇间分离程度。

它不是只看样本是否靠近自己簇，也看它是否远离其他簇。

再次，轮廓系数结果比较直观。

取值范围固定在 -1 到 1 之间，便于解释和比较。

从通俗角度看，轮廓系数的优势在于：

它能比较直观地告诉我们，样本待在当前簇中是否合适。

2、轮廓系数的主要局限

轮廓系数也有一些局限。

首先，它依赖距离度量。

如果距离计算方式不合适，轮廓系数也会失真。

例如，在文本向量中，余弦相似度可能比欧氏距离更自然；

在不同量纲的数值特征中，如果不做标准化，距离可能被某些大尺度特征主导。

其次，轮廓系数更偏好形状相对紧凑、分离明显的簇。

对于非凸形状、环形结构、密度变化明显的簇，它可能不能完全反映真实聚类质量。

再次，轮廓系数计算成本较高。

因为它涉及样本之间距离计算，当样本量很大时，计算可能比较慢。

此外，轮廓系数不适合只有一个簇的情况。

因为它需要比较“自己簇”和“最近其他簇”，如果只有一个簇，就无法定义 b(i)。

3、使用轮廓系数时需要注意的问题

使用轮廓系数时，需要注意以下几点：

• 聚类前通常需要进行标准化或归一化

• 距离度量要与数据类型匹配

• 不要只看平均值，也要观察每个簇的轮廓分布

• 轮廓系数高不一定代表业务解释最好

• 对 DBSCAN 等可能产生噪声点的算法，要注意如何处理噪声标签

• 对大规模数据，可考虑抽样计算轮廓系数

从实践角度看，轮廓系数适合作为聚类评估的重要参考，但最好结合可视化、业务解释和其他指标一起使用。

八、轮廓系数与其他聚类评价指标的关系

轮廓系数不是唯一的聚类评价指标。在聚类任务中，还常见其他指标。

1、轮廓系数与 SSE

在 K 均值聚类中，常用 SSE 或 inertia 衡量簇内平方误差。

SSE 主要关注：样本离自己簇中心有多近。

它可以写为：

其中：

• C_k 表示第 k 个簇

• μ_k 表示第 k 个簇的中心

• x_i 表示簇中的样本

• ||x_i − μ_k||² 表示样本到簇中心的平方距离

SSE 通常会随着 K 增大而下降。

因为簇越多，每个簇可以更小，样本离簇中心自然更近。

轮廓系数则同时考虑：

• 簇内是否紧密

• 簇间是否分离

因此，它比单纯 SSE 更适合判断聚类结构是否清晰。

2、轮廓系数与 Calinski-Harabasz 指数

Calinski-Harabasz 指数也用于评价聚类效果。它强调簇间离散度与簇内离散度的比值。

从通俗角度看，它希望：簇之间距离远，簇内部距离近。

这和轮廓系数的思想相近，但计算方式不同。

3、轮廓系数与 Davies-Bouldin 指数

Davies-Bouldin 指数也是内部聚类评价指标。它衡量簇内散布程度与簇间距离之间的关系。

一般来说，Davies-Bouldin 指数越小越好。

而轮廓系数通常越大越好。

从通俗角度看：

• 轮廓系数高，通常表示聚类较清晰

• Davies-Bouldin 指数低，通常表示聚类较清晰

4、如何综合使用

实际聚类分析中，不建议只依赖一个指标。

更稳妥的做法是：

• 使用轮廓系数观察整体分离程度

• 使用 SSE 或肘部法辅助选择 K

• 使用可视化检查簇结构

• 使用业务解释判断分群是否有意义

• 检查每个簇的规模和特征分布

从通俗角度看：

聚类评价不是只看一个分数，而是要判断“分得清不清楚、解释通不通、业务有没有用”。

九、Python 示例

下面给出两个简单示例，用来帮助理解轮廓系数的计算和使用。

示例 1：使用 KMeans 计算轮廓系数

from sklearn.datasets import make_blobs # 生成各向同性高斯团块数据from sklearn.cluster import KMeans # KMeans聚类算法from sklearn.metrics import silhouette_score # 轮廓系数，评估聚类效果from sklearn.preprocessing import StandardScaler # 标准化（均值为0，标准差为1） # 生成模拟聚类数据：300个样本，3个中心，簇内标准差0.8X, y_true = make_blobs( n_samples=300, centers=3, cluster_std=0.8, random_state=42) # 标准化数据（KMeans对特征尺度敏感，需先标准化）scaler = StandardScaler()X_scaled = scaler.fit_transform(X) # 标准化后各特征均值为0，方差为1 # KMeans聚类：指定聚类数为3，随机种子固定，n_init=10次不同初始化取最佳model = KMeans( n_clusters=3, random_state=42, n_init=10) labels = model.fit_predict(X_scaled) # 训练并返回每个样本的簇标签 # 计算平均轮廓系数：取值范围[-1,1]，越接近1表示聚类效果越好score = silhouette_score(X_scaled, labels) print("平均轮廓系数：", score)

这个例子中：

• make_blobs() 用于生成模拟聚类数据

• KMeans 用于执行 K 均值聚类

• silhouette_score() 用于计算平均轮廓系数

如果平均轮廓系数较高，通常说明聚类结果较清晰。

示例 2：比较不同 K 值下的轮廓系数

from sklearn.datasets import make_blobs # 生成聚类模拟数据from sklearn.cluster import KMeans # KMeans聚类算法from sklearn.metrics import silhouette_score # 轮廓系数，评估聚类质量from sklearn.preprocessing import StandardScaler # 数据标准化 # 生成模拟数据：500个样本，4个真实簇，簇内标准差0.9X, y_true = make_blobs( n_samples=500, centers=4, cluster_std=0.9, random_state=42) # 标准化数据（使各特征均值为0、方差为1，避免尺度影响）X_scaled = StandardScaler().fit_transform(X) # 比较不同 K 值（聚类数）对轮廓系数的影响for k in range(2, 8): # 尝试 K=2 到 7 model = KMeans( n_clusters=k, # 当前聚类数 random_state=42, # 固定随机种子 n_init=10 # 10次不同初始化，取最佳结果 ) labels = model.fit_predict(X_scaled) # 训练并获取聚类标签 score = silhouette_score(X_scaled, labels) # 计算平均轮廓系数 print(f"K = {k}, 平均轮廓系数 = {score:.4f}") # 输出结果

这个例子展示了轮廓系数在选择聚类数量中的作用。

需要注意：

• K 不能取 1，因为轮廓系数需要比较最近其他簇

• 平均轮廓系数较高的 K 通常更值得关注

• 最终 K 的选择仍应结合业务解释和可视化结果

示例 3：计算每个样本的轮廓系数

from sklearn.datasets import make_blobs # 生成模拟聚类数据from sklearn.cluster import KMeans # KMeans聚类算法from sklearn.metrics import silhouette_samples # 计算每个样本的轮廓系数from sklearn.preprocessing import StandardScaler # 数据标准化 # 生成模拟数据：300个样本，3个中心，簇内标准差0.8X, y_true = make_blobs( n_samples=300, centers=3, cluster_std=0.8, random_state=42) # 标准化（KMeans对尺度敏感）X_scaled = StandardScaler().fit_transform(X) # KMeans聚类：3个簇，固定随机种子，10次初始化model = KMeans( n_clusters=3, random_state=42, n_init=10) labels = model.fit_predict(X_scaled) # 训练并获取聚类标签 # 计算每个样本的轮廓系数（值域[-1,1]，越大说明聚类效果越好）sample_scores = silhouette_samples(X_scaled, labels) print("前 10 个样本的轮廓系数：")print(sample_scores[:10]) print("最小轮廓系数：", sample_scores.min()) # 负值可能表示样本被分配到错误的簇print("最大轮廓系数：", sample_scores.max()) # 接近1表示样本与其所在簇很紧密print("平均轮廓系数：", sample_scores.mean()) # 整体聚类质量

这个例子中：

• silhouette_samples() 返回每个样本的轮廓系数

• silhouette_score() 返回整体平均轮廓系数

如果某些样本的轮廓系数为负，可以进一步检查它们是否处于簇边界，或者是否被分到了不合适的簇中。

📘 小结

轮廓系数是一种用于评价聚类结果质量的指标。它通过比较样本到自己簇内样本的平均距离 a(i)，以及到最近其他簇的平均距离 b(i)，判断样本当前归属是否合理。轮廓系数取值范围为 -1 到 1，越接近 1 通常表示聚类越清晰，接近 0 表示样本位于边界附近，小于 0 表示样本可能被分错簇。对初学者而言，可以把轮廓系数理解为：一个样本更像自己组的人，还是更像隔壁组的人。

“点赞有美意，赞赏是鼓励”